商務(wù)智能應(yīng)用-CRM

第2章商務(wù)智能應(yīng)用

--分析型CRM企業(yè)在擴(kuò)大市場(chǎng)、提高效率和保持客戶的原始商業(yè)驅(qū)動(dòng)力不變的情況下，如何繼續(xù)保持競(jìng)爭(zhēng)的優(yōu)勢(shì)。有遠(yuǎn)見(jiàn)的公司都會(huì)意識(shí)到，只有將自己建成能夠?qū)蛻糇鞒鲅杆俜磻?yīng)的公司才能獲得諸多收獲，這些收獲包括收入、新客戶、客戶滿意度、客戶回頭率以及公司效益的增加，從而使競(jìng)爭(zhēng)力大為提升。本章內(nèi)容：CRM概述CRM與商務(wù)智能客戶行為分析客戶分類案例分析CRM概述建立客戶關(guān)系管理（CRM）系統(tǒng)的目的是賦予企業(yè)更完善的與客戶交流的能力，即從潛在客戶識(shí)別、生成有需求的客戶，到銷售完結(jié)以及不斷進(jìn)行的服務(wù)和支持，提供全過(guò)程的自動(dòng)化處理和更好的協(xié)調(diào)與合作，以提高客戶滿意度和客戶忠實(shí)度，增加市場(chǎng)機(jī)會(huì)和銷售利潤(rùn)，為企業(yè)發(fā)展服務(wù)。操作型CRM的設(shè)計(jì)目的是為了讓業(yè)務(wù)人員在日常的工作中能夠共享客戶資源，減少信息流動(dòng)滯留點(diǎn)。通過(guò)市場(chǎng)營(yíng)銷、銷售和服務(wù)等業(yè)務(wù)流程的管理，將客戶的各種信息收集并整合在一起，再將這些運(yùn)營(yíng)數(shù)據(jù)和外來(lái)的市場(chǎng)數(shù)據(jù)經(jīng)過(guò)整合和變換，裝載進(jìn)DW。協(xié)作型CRM就是能夠讓企業(yè)客戶服務(wù)人員同客戶一起完成某項(xiàng)活動(dòng)。協(xié)作型應(yīng)用目前主要由呼叫中心、客戶多渠道聯(lián)絡(luò)中心、幫助臺(tái)以及自助服務(wù)幫助導(dǎo)航，向客戶解釋特定內(nèi)容的網(wǎng)頁(yè)等。

分析型CRM事實(shí)上是以改善業(yè)務(wù)管理為目的的分析活動(dòng)，主要是分析現(xiàn)有的歷史數(shù)據(jù)或者操作型CRM中獲得的各種數(shù)據(jù)，進(jìn)而為企業(yè)的經(jīng)營(yíng)、決策提供可靠的量化的依據(jù)。在一家銀行的信用卡客戶中，可能有80%的人幾乎不用信用卡交易，有10%的客戶偶爾用卡交易，剩下10%的客戶會(huì)頻繁用卡交易，而這一部分客戶可能為銀行信用卡部帶來(lái)80%的收入，所以這10%自然是最有價(jià)值的客戶。利用分析型CRM系統(tǒng)對(duì)客戶進(jìn)行細(xì)分，就可以針對(duì)有價(jià)值的客戶開(kāi)展特別的促銷活動(dòng)、提供更個(gè)性化的服務(wù)，這無(wú)疑將使企業(yè)以最小的投入獲得最大的回報(bào)。商務(wù)智能與CRM如果說(shuō)操作型與協(xié)作型CRM是企業(yè)的臂膀，那么分析型CRM就是企業(yè)的大腦。數(shù)據(jù)整合――提供客戶全景視圖利用數(shù)據(jù)倉(cāng)庫(kù)技術(shù)，可以將散落在各個(gè)業(yè)務(wù)數(shù)據(jù)庫(kù)中的客戶信息經(jīng)過(guò)ETL(抽取、轉(zhuǎn)換、加載)過(guò)程，清洗、轉(zhuǎn)化、連接、概括、集成為統(tǒng)一的分析數(shù)據(jù);同時(shí)，數(shù)據(jù)倉(cāng)庫(kù)強(qiáng)大的數(shù)據(jù)存儲(chǔ)及管理能力可以對(duì)海量客戶數(shù)據(jù)有效的存儲(chǔ)、索引、歸類。信息提交過(guò)程企業(yè)信息系統(tǒng)最終的關(guān)注點(diǎn)在于信息的傳遞，實(shí)現(xiàn)從數(shù)據(jù)到信息的深層次轉(zhuǎn)化。(1)OLAP的多維立方體模型為用戶提供多維的分析視圖，通過(guò)鉆取、旋轉(zhuǎn)、切片(塊)等操作，使得用戶可以隨心所欲地對(duì)客戶數(shù)據(jù)進(jìn)行多維分析，獲取關(guān)于客戶的細(xì)分市場(chǎng)、購(gòu)買模式、盈利能力等重要信息。(2)通過(guò)簡(jiǎn)單易用的工具使得終端用戶可以自由的按照自己的意圖來(lái)操縱數(shù)據(jù)，從而為自己的業(yè)務(wù)問(wèn)題提供信息支持。(3)利用企業(yè)信息門戶策略可以根據(jù)不同的用戶定制信息界面，從而保證信息在適當(dāng)?shù)臅r(shí)間、通過(guò)適當(dāng)?shù)氖侄?、傳遞到適當(dāng)?shù)娜耸种??？蛻糁R(shí)的深入挖掘(1)根據(jù)從客戶知識(shí)發(fā)掘的信息，計(jì)算客戶生命周期價(jià)值，以此作為客戶分類的依據(jù)。針對(duì)不同類別的客戶采取不同的措施;(2)預(yù)測(cè)客戶將來(lái)一段時(shí)期的需求;(3)預(yù)測(cè)客戶流失的可能性，或者采取及時(shí)的補(bǔ)救措施，或者做出減少不必要的投資等決策，最大限度地保留客戶和降低企業(yè)的損失;(4)測(cè)評(píng)客戶忠誠(chéng)度，識(shí)別忠誠(chéng)客戶?？蛻糁R(shí)的展現(xiàn)通過(guò)商務(wù)智能技術(shù)所獲得的客戶知識(shí)(特征、忠誠(chéng)度、盈利能力、行為模式)必須通過(guò)操作和協(xié)作型CRM系統(tǒng)才能最終實(shí)現(xiàn)為客戶提供更好服務(wù)的目標(biāo)，從而形成業(yè)務(wù)行動(dòng)的閉環(huán)，真正發(fā)揮CRM的各層次的綜合效應(yīng)?？蛻糁悄芟到y(tǒng)結(jié)構(gòu)圖構(gòu)建一個(gè)完整的智能CRM系統(tǒng)的幾個(gè)步驟:1．整合客戶信息資源對(duì)于那些以前沒(méi)有應(yīng)用過(guò)任何CRM系統(tǒng)的企業(yè)來(lái)說(shuō)，首先需要把孤立的業(yè)務(wù)系統(tǒng)整合到一個(gè)統(tǒng)一的平臺(tái)之下，解決“信息孤島”。而對(duì)于己有CRM系統(tǒng)的企業(yè)，則需要建立一個(gè)企業(yè)信息門戶，使客戶和企業(yè)能在一個(gè)統(tǒng)一的界面下進(jìn)行數(shù)據(jù)和信息交換，從而保證客戶數(shù)據(jù)的一致性。2.建立客戶數(shù)據(jù)倉(cāng)庫(kù)規(guī)劃數(shù)據(jù)倉(cāng)庫(kù)，以企業(yè)的業(yè)務(wù)模型為基礎(chǔ)，確定需要建立能夠描述主要業(yè)務(wù)主題的數(shù)據(jù)模型;設(shè)計(jì)數(shù)據(jù)倉(cāng)庫(kù)，根據(jù)邏輯模型和性能要求進(jìn)行物理模型的設(shè)計(jì)，制定數(shù)據(jù)存儲(chǔ)策略以及各種商業(yè)規(guī)則等；

(3)構(gòu)造數(shù)據(jù)分析模型根據(jù)企業(yè)需要分析的對(duì)象和目標(biāo)，構(gòu)造有針對(duì)性的分析模型。針對(duì)客戶對(duì)企業(yè)的貢獻(xiàn)差異，構(gòu)造客戶盈利能力分析模型;針對(duì)客戶對(duì)企業(yè)信用程度的不同，構(gòu)造客戶信用分析模型；根據(jù)客戶對(duì)產(chǎn)品功能的需求不同，構(gòu)造客戶分類分析模型；根據(jù)客戶的獲得、流失情況，構(gòu)造客戶獲取流失分析模型等等。(4)建立客戶知識(shí)管理系統(tǒng)建立一個(gè)動(dòng)態(tài)的客戶知識(shí)庫(kù)以及制定客戶知識(shí)的分發(fā)規(guī)則和保存機(jī)制。與客戶數(shù)據(jù)倉(cāng)庫(kù)一樣，客戶知識(shí)管理系統(tǒng)也不是一開(kāi)始就能建立好的，它需要在使用的過(guò)程中進(jìn)行不斷地調(diào)整和完善，是一個(gè)動(dòng)態(tài)完成的系統(tǒng)。客戶行為分析(獲取新客戶、客戶流失與保持分析、客戶盈利能力分析)獲取新客戶獲取新客戶就是“說(shuō)服”原本不是你的客戶的消費(fèi)者成為你的客戶。這些消費(fèi)者可能是對(duì)你的產(chǎn)品/服務(wù)不了解的顧客，也可能是你的產(chǎn)品/服務(wù)的潛在消費(fèi)者，還可能是你競(jìng)爭(zhēng)對(duì)手的客戶。針對(duì)這些不同的消費(fèi)者需要采用不同的策略才能有效的獲取到新客戶。另外，在獲取新客戶之前，不得不確定哪些消費(fèi)者是值得努力的，預(yù)測(cè)不同客戶對(duì)營(yíng)銷努力的反映情況也是提高獲取新客戶成功率的一個(gè)前提。還有，客戶分優(yōu)劣，有些客戶獲得時(shí)付出的努力要比他們成為公司客戶后貢獻(xiàn)的利潤(rùn)低，這樣的客戶還是不獲得為好。因此，企業(yè)要想通過(guò)CRM有效獲得新客戶，必須明確不同客戶的特性。目標(biāo)市場(chǎng)在哪里?哪些客戶是企業(yè)的潛在客戶？哪些潛在客戶是優(yōu)質(zhì)客戶？客戶獲取的難易程度如何？常用的數(shù)據(jù)挖掘技術(shù)和方法有分類與預(yù)測(cè)、聚類、關(guān)聯(lián)分析和異類分析等。例如用關(guān)聯(lián)的方法，通過(guò)發(fā)現(xiàn)諸如“在購(gòu)買A商品后，一段時(shí)間里顧客會(huì)接著購(gòu)買商品B，而后購(gòu)買商品C”這樣的知識(shí)，來(lái)形成“A-B--C”客戶行為模式。還可以對(duì)現(xiàn)有客戶特征進(jìn)行聚類分析，建立客戶特征模型，以最有效地預(yù)測(cè)目標(biāo)市場(chǎng)和發(fā)現(xiàn)潛在客戶。

K-近鄰分類方法

基本思想：K－近鄰分類是基于類比學(xué)習(xí)的，每個(gè)樣本代表d維空間的一個(gè)點(diǎn)。當(dāng)給定一個(gè)未知樣本時(shí)，K-近鄰分類法將搜索樣本空間，找出最接近未知樣本的K個(gè)訓(xùn)練樣本，這K個(gè)訓(xùn)練樣本是未知樣本的K個(gè)“近鄰”。近鄰性一般用歐幾里德距離定義：或采用絕對(duì)值距離：缺點(diǎn)：計(jì)算量大優(yōu)點(diǎn)：適合各種數(shù)據(jù)類型的數(shù)據(jù)

利用K－近鄰方法進(jìn)行潛在客戶預(yù)測(cè)考察的客戶自身屬性：企業(yè)總資產(chǎn)值、年銷售收入、距電器銷售公司的地理距離及企業(yè)所處地域的經(jīng)濟(jì)發(fā)達(dá)程度?？蛻舻南M(fèi)屬性為過(guò)去一年內(nèi)對(duì)電器銷售公司的總購(gòu)買額。1.數(shù)據(jù)處理：銷售公司把客戶的消費(fèi)屬性分為10萬(wàn)元以下、10萬(wàn)至100萬(wàn)、100萬(wàn)500萬(wàn)、500萬(wàn)以上四個(gè)區(qū)間，分別取值1,2,3,4；把企業(yè)所處地域的經(jīng)濟(jì)發(fā)達(dá)程度根據(jù)實(shí)際情況分為貧困、欠發(fā)達(dá)、發(fā)達(dá)、極發(fā)達(dá)四檔，分別取值1,2,3,4；其余客戶屬性(企業(yè)總資產(chǎn)值、年銷售收入、距銷售公司的地理距離)也通過(guò)區(qū)間劃分完成量化及歸一化處理。表1是經(jīng)過(guò)標(biāo)準(zhǔn)化處理的老客戶數(shù)據(jù)，表2是經(jīng)過(guò)標(biāo)準(zhǔn)化處理的潛在客戶數(shù)據(jù)。表1老客戶數(shù)據(jù)老客戶總資產(chǎn)年銷售收入地理距離所處發(fā)達(dá)程度年總購(gòu)買額11.51.61.20.4221.53.21.20.63310.80.40.2141.53.20.40.84511.60.40.4260.51.60.40.42………………………………表2潛在客戶數(shù)據(jù)潛在客戶總資產(chǎn)年銷售收入地理距離所處發(fā)達(dá)程度年總購(gòu)買額A1.51.61.20.4待預(yù)測(cè)B0.81.20.40.2待預(yù)測(cè)………………………………2.預(yù)測(cè)為了預(yù)測(cè)客戶A對(duì)公司電器產(chǎn)品的年購(gòu)買額，我們只須從處理后的老客戶數(shù)據(jù)中找到K個(gè)最近鄰(這里設(shè)定K=2)。例如：A與客戶1的距離：D(A，l)=(1.5-1)+(2.4-1.6)+(1.6-1.2)+(0.4-0.4)=1.7，同理計(jì)算可得到：D(A，2)=1.9，D(A，3)=3，D(A，4)=2.9，D(A，5)=1.6，D(A，6)=2.5可以看出，A的2個(gè)最近鄰為老客戶1和5，可以預(yù)測(cè)其對(duì)公司電器產(chǎn)品的年購(gòu)買額將在10萬(wàn)和100萬(wàn)之間，我們還可以從處理之前的老客戶數(shù)據(jù)庫(kù)中得到客戶1和5的實(shí)際年購(gòu)買額，以對(duì)A的年購(gòu)買額進(jìn)行更精確的預(yù)計(jì)，假設(shè)銷售公司規(guī)定年總購(gòu)買額在500萬(wàn)以上的是公司的重點(diǎn)客戶，那么我們可以進(jìn)一步預(yù)測(cè)潛在客戶的類別，從而可以指定精確的營(yíng)銷計(jì)劃，來(lái)獲取客戶。將數(shù)據(jù)挖掘應(yīng)用于客戶的獲取活動(dòng)與傳統(tǒng)的市場(chǎng)營(yíng)銷策略比較其優(yōu)勢(shì)在哪里？下面我們通過(guò)一個(gè)例子進(jìn)行詳細(xì)的說(shuō)明。某大銀行A進(jìn)行直郵的市場(chǎng)營(yíng)銷活動(dòng)以獲取信用卡客戶，向100萬(wàn)名潛在客戶提供信用卡的申請(qǐng)表。使用傳統(tǒng)的做法，A銀行向這100萬(wàn)名潛在客戶寄出信用卡申請(qǐng)表，共有6%的郵件得到申請(qǐng)回應(yīng)。得到這些潛在客戶的回應(yīng)后，需根據(jù)信用風(fēng)險(xiǎn)程度對(duì)它們的申請(qǐng)進(jìn)行篩選，毫無(wú)疑問(wèn)，往往是信用差的潛在客戶更可能申請(qǐng)信用卡，所以最終篩選后的結(jié)果只有16%的回應(yīng)者是符合信用要求的，即大約占總潛在客戶的1%(6%×16%≈1%)成為最終客戶。A銀行郵寄一份申請(qǐng)表需花費(fèi)￥1的費(fèi)用，每個(gè)客戶在隨后的兩年將為銀行帶來(lái)￥125的利潤(rùn)。那么用傳統(tǒng)方法營(yíng)銷得到的凈回報(bào)：￥250,000(￥125×10,000-￥1×1,000,000=Y250,000)數(shù)據(jù)挖掘技術(shù)的應(yīng)用首先，A銀行寄出50,000份進(jìn)行測(cè)試，并對(duì)反饋的結(jié)果進(jìn)行分析，將這些數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)應(yīng)用數(shù)據(jù)挖掘算法建立預(yù)測(cè)模型，包括潛在客戶的回應(yīng)的模型(可以用決策樹(shù)方法)和信用評(píng)分模型(可以用神經(jīng)網(wǎng)絡(luò)方法)。然后，結(jié)合這兩個(gè)模型找出哪些潛在客戶的信用風(fēng)險(xiǎn)低且很大可能會(huì)接受提供的申請(qǐng)表。根據(jù)這些方法，A銀行在剩下的950,000個(gè)潛在客戶中選取其中信用好的700,000個(gè)進(jìn)行郵寄。結(jié)果是，通過(guò)這郵寄的750,000份申請(qǐng)表，共收到9,000個(gè)潛在客戶接受信用卡，即接受的比率為1.2%(9,000÷750,000=1.2%)，比傳統(tǒng)方法的1%提高了20個(gè)百分點(diǎn)。還有1,000個(gè)客戶在未寄的250,000個(gè)潛在客戶中，他們是被模型篩選掉的，很明顯，若對(duì)他們也進(jìn)行郵寄的話，需花費(fèi)￥250,000但他們帶來(lái)的利益只有￥125,000(￥125×1,000=￥125,000)，表明為獲得這些客戶的成本是大于他們所能帶來(lái)的收益的，故將他們放棄。表3傳統(tǒng)方法和數(shù)據(jù)挖掘方法獲取新客戶的比較指標(biāo)傳統(tǒng)方法數(shù)據(jù)挖掘方法差異郵寄總數(shù)量1,000,000750,000250,000郵寄總成本￥1,000,000￥750,000￥250,000成為新客戶的數(shù)量10,0009,0001,000每個(gè)新客戶帶來(lái)的毛利￥125￥125￥0總毛利￥1,250,000￥1,125,000￥125,000凈利潤(rùn)￥250,000￥375,000￥125,000數(shù)據(jù)挖掘建模成本￥0￥40000￥40000最終凈利潤(rùn)￥250,000￥335,000￥85,000從表中可以看到，凈利潤(rùn)增加了￥125,000，即使減去數(shù)據(jù)挖掘的成本￥40,000其最終凈利潤(rùn)也還多出￥85,000。另外，本例中建立模型的投資回報(bào)率(ROT)也比較高，為212.5%(￥85,000÷￥40,000=212.5%。從而顯示了將數(shù)據(jù)挖掘技術(shù)應(yīng)用與新客戶獲取中的優(yōu)勢(shì)所在。決策樹(shù)分類方法決策樹(shù)提供了一種展示類似在什么條件下會(huì)得到什么值這類規(guī)則的方法。比如，在貸款申請(qǐng)中，要對(duì)申請(qǐng)的風(fēng)險(xiǎn)大小做出判斷，圖1是為了解決這個(gè)問(wèn)題而建立的一棵決策樹(shù)，從中我們可以看到?jīng)Q策樹(shù)的基本組成部分：決策節(jié)點(diǎn)、分支和葉子。是否是否是否收入>40000工作時(shí)間>5年高負(fù)債低風(fēng)險(xiǎn)高風(fēng)險(xiǎn)低風(fēng)險(xiǎn)高風(fēng)險(xiǎn)決策樹(shù)的每個(gè)節(jié)點(diǎn)子節(jié)點(diǎn)的個(gè)數(shù)與決策樹(shù)應(yīng)用的算法有關(guān)。如CART算法得到的決策樹(shù)每個(gè)節(jié)點(diǎn)有兩個(gè)分支，這種樹(shù)稱為二叉樹(shù)。允許節(jié)點(diǎn)含有多于兩個(gè)子節(jié)點(diǎn)的樹(shù)稱為多叉樹(shù)。每個(gè)分支要么是一個(gè)新的決策節(jié)點(diǎn)，要么是樹(shù)的結(jié)尾，稱為葉子。在沿著決策樹(shù)從上到下遍歷的過(guò)程中，在每個(gè)節(jié)點(diǎn)都會(huì)遇到一個(gè)問(wèn)題，對(duì)每個(gè)節(jié)點(diǎn)上問(wèn)題的不同回答導(dǎo)致不同的分支，最后會(huì)到達(dá)一個(gè)葉子節(jié)點(diǎn)。這個(gè)過(guò)程就是利用決策樹(shù)進(jìn)行分類的過(guò)程，即利用幾個(gè)變量（每個(gè)變量對(duì)應(yīng)一個(gè)問(wèn)題）來(lái)判斷所屬的類別（最后每個(gè)葉子會(huì)對(duì)應(yīng)一個(gè)類別）。常用的算法有分類回歸樹(shù)CART、ID3、和C4.5等

ID3算法運(yùn)用信息熵理論，選擇當(dāng)前樣本屬性集中具有最大信息增益值的屬性作為測(cè)試屬性。該屬性使得對(duì)結(jié)果劃分中的樣本分類所需的信息量最小，并反映劃分的最小隨機(jī)性或“不純性”。這種信息理論方法使得對(duì)一個(gè)對(duì)象分類所需的期望測(cè)試數(shù)目達(dá)到最小，并確保找到一棵簡(jiǎn)單樹(shù)。設(shè)S是s個(gè)數(shù)據(jù)樣本的集合。假定類標(biāo)號(hào)屬性具有m個(gè)不同值，定義m個(gè)不同類(i=1,?,m)。設(shè)是類中的樣本數(shù)。對(duì)一個(gè)給定的樣本分類所需的期望信息是：其中是任意樣本屬于的概率，并用估計(jì)。設(shè)屬性A為測(cè)試屬性，它具有V個(gè)不同的值用表示屬性A取值為的樣本子集屬于類的樣本數(shù)。那么按照屬性A的每個(gè)屬性值進(jìn)行分割的期望信息稱作A的熵，由下式給出：在A上分割獲得的信息增益定義為：依據(jù)上述方法，計(jì)算每個(gè)屬性的信息增益，屬性的信息增益越大，區(qū)分度越大。通過(guò)對(duì)一組訓(xùn)練數(shù)據(jù)的學(xué)習(xí)，構(gòu)造出決策樹(shù)形式的知識(shí)表示，在決策樹(shù)的內(nèi)部結(jié)點(diǎn)進(jìn)行屬性值的比較并根據(jù)不同的屬性值判斷從該結(jié)點(diǎn)向下的分支，在決策樹(shù)葉結(jié)點(diǎn)得到結(jié)論。所以從根到葉結(jié)點(diǎn)的一條路徑就對(duì)應(yīng)著一條規(guī)則，整棵決策樹(shù)就對(duì)應(yīng)著一組析取表達(dá)式規(guī)則?；跊Q策樹(shù)學(xué)習(xí)算法的一個(gè)最大的優(yōu)點(diǎn)就是它在學(xué)習(xí)過(guò)程中不需要使用者了解很多背景知識(shí)。這樣只要訓(xùn)練實(shí)例能夠用屬性—結(jié)論式的方式表達(dá)出來(lái)，就能使用該算法來(lái)進(jìn)行學(xué)習(xí)。Id職業(yè)收入地區(qū)年齡反應(yīng)1銷售<=2000華北年輕02銷售<=2000華東年輕13銷售<=2000華東中年04非銷售>2000華東中年15非銷售>2000華北老年16非銷售>2000其它老年17非銷售<=2000西北中年08銷售>2000華北年輕19銷售>2000西北中年010銷售<=2000西北年輕011銷售<=2000東北中年012非銷售<=2000其它中年013銷售>2000華北年輕114非銷售>2000東北中年115銷售>2000西北年輕1根據(jù)表中的數(shù)據(jù)，類反應(yīng)有兩個(gè)不同的值(0,1),因此有兩個(gè)不同的類（m＝2）。設(shè)類C1=0,類C2=1。則類C1有7個(gè)樣本，類C2有8個(gè)樣本。則給定樣本分類的期望信息為：I(s1,s2)＝I(7,8)=-7/15㏒2(7/15)-8/15㏒2(8/15)=0.997現(xiàn)在計(jì)算每個(gè)屬性的熵，（1）職業(yè)：銷售：S11=5,S21=4則I(S11,S21)=0.991非銷售：S12=2,S22=4則I(S12,S22)=0.918信息增益：E(職業(yè))=(S11+S21)*I(S11,S21)/S+(S12+S22)*I(S12,S22)/S=0.991*9/15+0.918*6/15=0.9618GAIN(職業(yè))＝0.997-0.9618=0.0352同理：（2）收入：GAIN(收入)=0.4308（3）地區(qū)：GAIN(地區(qū))=0.114（4）年齡:GAIN(年齡)=0.226圖2按照“收入”分割得到的決策樹(shù)圖3最終決策樹(shù)從圖3中我們可以很直觀的分析出客戶申請(qǐng)信用卡對(duì)“收入”、“年齡”、“地區(qū)”、“職業(yè)”四個(gè)屬性的反應(yīng)?？梢缘贸鲆幌乱?guī)則：1）當(dāng)收入小于等于2000元，如果年齡為中年的話一般沒(méi)有興趣；2）當(dāng)收入小于等于2000元，來(lái)自地區(qū)為華北、西北、東北或其它的年輕人，一般沒(méi)有興趣；3）當(dāng)收入小于等于2000元，來(lái)自地區(qū)為華東且為年輕人一般有興趣；4）當(dāng)收入大于2000元，且來(lái)自華北、華東、東北或其它地區(qū)，一般有興趣；5）當(dāng)收入大于2000元，來(lái)自西北地區(qū)且為年輕人一般有興趣；6）當(dāng)收入大于2000元，來(lái)自西北地區(qū)且為中年人一般沒(méi)有興趣。選擇了合適的算法后，我們只需要把切分看成是把一組數(shù)據(jù)分成幾份，份與份之間盡量不同，而同一份內(nèi)的數(shù)據(jù)盡量相同。如果經(jīng)過(guò)一次切分后得到的分組，每個(gè)分組中的數(shù)據(jù)都屬于同一個(gè)類別，顯然達(dá)到這樣效果的切分方法就是我們所追求的。假定我們利用歷史數(shù)據(jù)建立了一個(gè)包含幾百個(gè)屬性、輸出的類有十幾種的決策樹(shù)，這樣的一棵樹(shù)對(duì)人來(lái)說(shuō)可能太復(fù)雜了，但每一條從根結(jié)點(diǎn)到葉子節(jié)點(diǎn)的路徑所描述的含義仍然是可以理解的。決策樹(shù)的這種易理解性對(duì)數(shù)據(jù)挖掘的使用者來(lái)說(shuō)是一個(gè)顯著的優(yōu)點(diǎn)。然而決策樹(shù)的這種明確性可能帶來(lái)誤導(dǎo)。比如，決策樹(shù)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)分割的定義都是非常明確毫不含糊的，但在實(shí)際生活中這種明確可能帶來(lái)麻煩（憑什么說(shuō)年收入2001的人申請(qǐng)信用卡，而2000的人就沒(méi)有）。另外，樹(shù)的大小與樣本數(shù)量無(wú)關(guān)，計(jì)算量較小。

客戶保持和流失客戶發(fā)展階段：潛在客戶—新客戶—滿意的客戶—留住的客戶—老客戶。經(jīng)濟(jì)學(xué)廣泛應(yīng)用的“80/20定律”(佩爾圖定律)，具體到CRM中是說(shuō)企業(yè)80%的利潤(rùn)是由前20%的客戶所創(chuàng)造的；又如1989年的哈佛商業(yè)評(píng)論中提到若客戶保持率提高5%,平均每位客戶的價(jià)值就能增加25%到100%。這些數(shù)字都充分說(shuō)明了提高客戶的忠誠(chéng)度、保持好的客戶對(duì)于企業(yè)本身的利益是至關(guān)重要的。比如在美國(guó)，移動(dòng)通信公司每獲得一個(gè)新用戶的成本平均是300美元，而挽留住一個(gè)老客戶的成本可能僅僅是通一個(gè)電話。因此客戶關(guān)系管理首先提倡的是保持現(xiàn)有客戶，實(shí)現(xiàn)現(xiàn)有客戶的重復(fù)購(gòu)買是企業(yè)追求的首要目標(biāo)。其次才是開(kāi)拓新市場(chǎng)，吸引新客戶。通過(guò)數(shù)據(jù)挖掘可以發(fā)現(xiàn)流失客戶的特征，這樣就可以在那些具有相似特征的客戶還未流失之前進(jìn)行針對(duì)性的彌補(bǔ)。例如一家移動(dòng)通信公司挖掘出的結(jié)果是:年齡在26歲以下、開(kāi)通了WAP服務(wù)、移動(dòng)電話價(jià)值(購(gòu)買時(shí))在1800-2800元、每月通話費(fèi)在250-350元之間(包月制則是200元和280元兩檔)的男性流失的比例最高。掌握了這些信息，就可以針對(duì)每個(gè)人的貢獻(xiàn)，滿足他們的一些需求。客戶流失的原因主要有以下4種類型：自然流失客戶流失不是人為因素造成的，比如客戶的搬遷和死亡等。自然流失所占的比例很小。企業(yè)可以通過(guò)建立連鎖服務(wù)網(wǎng)點(diǎn)和經(jīng)營(yíng)分公司，或者提供網(wǎng)上服務(wù)等方式，讓客戶在任何地方、任何時(shí)候都能方便快捷地使用企業(yè)的產(chǎn)品和服務(wù)，減少自然流失的發(fā)生。惡意流失是指一些客戶為了滿足自己的某些私利而離開(kāi)企業(yè)，比如很多電信運(yùn)營(yíng)商的用戶在拖欠了大額通信費(fèi)用后離開(kāi)這家電信運(yùn)營(yíng)商，選擇其他電信運(yùn)營(yíng)商提供的服務(wù)，從而達(dá)到不交費(fèi)用的目的。惡意流失在客戶流失中所占的比例也不大。企業(yè)可以通過(guò)客戶信譽(yù)管理制度和欺詐監(jiān)測(cè)來(lái)防止客戶的惡意流失行為。競(jìng)爭(zhēng)流失由于企業(yè)競(jìng)爭(zhēng)對(duì)手的影響而造成的流失稱為競(jìng)爭(zhēng)流失。市場(chǎng)上的競(jìng)爭(zhēng)突出表現(xiàn)在價(jià)格戰(zhàn)和服務(wù)戰(zhàn)上。過(guò)失流失客戶流失都是由于企業(yè)自身工作中的過(guò)失引起客戶的不滿意而造成的，比如企業(yè)形象不佳、產(chǎn)品性能不好、服務(wù)態(tài)度惡劣等。過(guò)失流失在客戶流失總量中所占的比例最高，但同時(shí)也是企業(yè)可以通過(guò)采取一些有效手段來(lái)防止的。

客戶流失預(yù)測(cè)分析能幫助企業(yè)理解客戶將要離開(kāi)的信號(hào)，使企業(yè)有充分的時(shí)間采取措施挽留有流失傾向的客戶。在客戶關(guān)系分析中，客戶流失預(yù)測(cè)分析模型的可解釋性非常重要，企業(yè)要能清晰地理解分類模型中的各個(gè)因素以及各個(gè)因素的作用程度，根據(jù)分類模型理解影響客戶流失的因素，以便于企業(yè)做出相應(yīng)的改進(jìn)。影響客戶流失的因素主要從以下幾個(gè)層面考慮，競(jìng)爭(zhēng)對(duì)手情況：競(jìng)爭(zhēng)對(duì)手最近開(kāi)發(fā)新產(chǎn)品情況、競(jìng)爭(zhēng)對(duì)手最近開(kāi)發(fā)新促銷策略；企業(yè)和員工形象：產(chǎn)品更新快慢程度、員工的態(tài)度和形象、員工的流動(dòng)率、企業(yè)文化和形象；客戶購(gòu)買行為：客戶是否接觸競(jìng)爭(zhēng)對(duì)手的產(chǎn)品、客戶對(duì)企業(yè)的滿意度、客戶與企業(yè)交往的時(shí)間長(zhǎng)度、客戶最近的購(gòu)買頻率和數(shù)量的變化情況；產(chǎn)品和服務(wù)質(zhì)量：服務(wù)體制是否完善、客戶投訴是否處理、服務(wù)質(zhì)量和服務(wù)的及時(shí)性、產(chǎn)品的質(zhì)量和價(jià)格；客戶流失模型的建立和應(yīng)用過(guò)程如下：在客戶數(shù)據(jù)倉(cāng)庫(kù)中抽取適當(dāng)?shù)淖侄谓M成客戶分析數(shù)據(jù)庫(kù)，為客戶描述和客戶流失模型提供數(shù)據(jù)源；客戶流失預(yù)測(cè)分析屬于數(shù)據(jù)挖掘中的分類，客戶是否己經(jīng)流失為類標(biāo)號(hào)，因此，根據(jù)客戶是否流失情況，將客戶分析數(shù)據(jù)庫(kù)分離為當(dāng)前客戶數(shù)據(jù)庫(kù)和流失客戶數(shù)據(jù)庫(kù)；對(duì)流失客戶數(shù)據(jù)庫(kù)進(jìn)行分析，建立客戶流失模型。隨機(jī)選擇流失客戶中的2/3為訓(xùn)練數(shù)據(jù)，建立分類器，得出分類模型。將剩下的1/3數(shù)據(jù)作為測(cè)試數(shù)據(jù)代入分類模型中，預(yù)測(cè)準(zhǔn)確率。如果準(zhǔn)確率過(guò)低，則重復(fù)以上過(guò)程，直到分類模型的準(zhǔn)確率滿足用戶的需求，得出客戶流失模型；從客戶流失模型中分析影響客戶流失的各種原因，找出企業(yè)的不足之處，發(fā)現(xiàn)流失者的行為特征。運(yùn)用客戶流失模型在當(dāng)前客戶數(shù)據(jù)庫(kù)中發(fā)現(xiàn)預(yù)測(cè)有流失傾向的客戶群體。在預(yù)測(cè)客戶的流失建模中較為常用的數(shù)據(jù)挖掘算法是CART(ClassificationandRegressionTrees，分類回歸樹(shù))，它是分類方法中決策樹(shù)的一種算法。盡管其他的一些數(shù)據(jù)挖掘技術(shù)，如神經(jīng)網(wǎng)絡(luò)也可以產(chǎn)生很好的預(yù)測(cè)模型，但是這些模型很難理解。當(dāng)用這些模型做預(yù)測(cè)分析時(shí)，很難對(duì)客戶流失的原因有深入的了解，更得不到如何對(duì)付客戶流失的任何線索。在這種情況下，一般需要使用決策樹(shù)或聚類技術(shù)等分類方法進(jìn)一步的分類，來(lái)得到更深入的了解，所以生成的預(yù)測(cè)模型就相對(duì)復(fù)雜的多?？蛻袅魇?shù)據(jù)集有其自身較為顯著的特點(diǎn):客戶流失數(shù)據(jù)集中包含較多的連續(xù)值屬性，如客戶的年齡，收入信息，各項(xiàng)消費(fèi)信息等?？蛻袅魇?shù)據(jù)集是一個(gè)典型的非平衡分布數(shù)據(jù)集。流失客戶與非流失客戶之間相差的比例很大。流失客戶在數(shù)據(jù)集中一般只占一個(gè)較小的比例。分類算法在處理非平衡數(shù)據(jù)集的分類問(wèn)題時(shí)，容易受到樣本類別分布的影響，對(duì)少數(shù)類的分類精度不高，其效果并不理想。例如：TeleData為某電信運(yùn)營(yíng)商提供的客戶信息數(shù)據(jù)集，其中包括用戶的人口統(tǒng)計(jì)特征和通信消費(fèi)特征，通過(guò)數(shù)據(jù)挖掘技術(shù)，挖掘出流失客戶的分類模型，從而提出策略，指導(dǎo)客戶挽留?？蛻糁艺\(chéng)度分析客戶忠誠(chéng)度一般是指客戶堅(jiān)持重復(fù)購(gòu)買或惠顧自己喜歡的同一品牌的產(chǎn)品或服務(wù)，不受環(huán)境和市場(chǎng)的影響?？蛻糁艺\(chéng)主要表現(xiàn)在以下幾個(gè)方面：（1）會(huì)經(jīng)常反復(fù)地購(gòu)買本企業(yè)的產(chǎn)品或服務(wù)，甚至可以定量分析出他們的購(gòu)買頻數(shù)；（2）在購(gòu)買企業(yè)產(chǎn)品或服務(wù)時(shí)，選擇呈多樣性，但是優(yōu)先關(guān)心和選擇其忠誠(chéng)的企業(yè)品牌的產(chǎn)品或服務(wù)以及其產(chǎn)品或服務(wù)的發(fā)展情況；（3）樂(lè)于向他人推薦本企業(yè)產(chǎn)品，被推薦者相對(duì)于其他客戶會(huì)更容易地認(rèn)同推薦的產(chǎn)品或服務(wù)；（4）會(huì)排斥本企業(yè)的競(jìng)爭(zhēng)對(duì)手，只要忠誠(chéng)的紐帶未被打破，他們甚至不屑于略勝一籌的競(jìng)爭(zhēng)對(duì)手。衡量客戶忠誠(chéng)的唯一尺度就是客戶是否重復(fù)或持久地購(gòu)買企業(yè)的產(chǎn)品或者服務(wù)，顧客忠誠(chéng)體現(xiàn)為具體的購(gòu)買行為，具有很強(qiáng)的客觀現(xiàn)實(shí)色彩，是實(shí)實(shí)在在的。而客戶忠誠(chéng)的誘因主要是客戶滿意，顧客滿意是一種期望值與感知效果的比較，是一種心理反應(yīng)，它取決于顧客的“期望”，具有很強(qiáng)的主觀色彩。所以，客戶忠誠(chéng)度分析標(biāo)準(zhǔn)是一個(gè)較為模糊的概念。首先可用聚類分析進(jìn)行客戶忠誠(chéng)度分析，根據(jù)所得的聚類結(jié)果，將每一類賦以具體標(biāo)記，然后進(jìn)行分類，構(gòu)造出忠誠(chéng)客戶的具體特征。或者是通過(guò)行業(yè)專家進(jìn)行標(biāo)記。在現(xiàn)有數(shù)據(jù)庫(kù)信息資源的條件限定下，客戶忠誠(chéng)度的分析同客戶忠誠(chéng)度具體的量化定義就有了密切的聯(lián)系。根據(jù)需要，企業(yè)可以對(duì)客戶的一些具體表現(xiàn)設(shè)定相應(yīng)的觀測(cè)變量，如：貨款到達(dá)的及時(shí)性、購(gòu)物占購(gòu)貨企業(yè)貨物銷量總量的比例、信息的虛假程度、貨物價(jià)格的接受程度、持續(xù)交易的時(shí)間、重復(fù)購(gòu)買的次數(shù)、購(gòu)買方式等?？蛻糁艺\(chéng)度分析模型的建立和應(yīng)用過(guò)程如下：（1）根據(jù)己有定義選定相關(guān)的分析變量；（2）從企業(yè)的業(yè)務(wù)數(shù)據(jù)庫(kù)中收集整理原始數(shù)據(jù)，按客戶忠誠(chéng)度分析所需的字段組建企業(yè)客戶的數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)；（3）檢驗(yàn)分類與實(shí)際的吻合程度，選取或確定合適的分類數(shù)，目前許多企業(yè)設(shè)定為5類；（4）觀察分析每類的特點(diǎn)，給每類賦以類標(biāo)記；（5）對(duì)帶有忠誠(chéng)度類標(biāo)記的數(shù)據(jù)建立分類模型；（6）根據(jù)忠誠(chéng)度模型描述忠誠(chéng)度客戶的特征，幫助企業(yè)識(shí)別忠誠(chéng)客戶，根據(jù)客戶忠誠(chéng)度的不同，提出相應(yīng)的營(yíng)銷與客戶管理措施。客戶滿意度分析客戶滿意度分析模型的建立過(guò)程和客戶忠